首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于局部离群因子的电力计量数据异常值自动化监测系统

基于局部离群因子的电力计量数据异常值自动化监测系统

2024-11-26 48 上传者：管理员

摘要：针对电力计量数据异常导致的电力系统故障，提出基于局部离群因子的电力计量数据异常值自动化监测系统。该系统集成多传感器采集数据，通过通信模块传输至处理模块。该模块先运用AP聚类算法将数据聚类成多个类簇，再使用局部离群因子模型计算离群度，通过离群度数值得到异常类簇，则该异常类簇为异常值，再将监测结果传输到用户PC端，实现电力计量数据异常值自动化监测。实验结果表明，该系统聚类电力计量数据时的疏密度数值较高，可有效检测异常值，应用性能较为显著。

关键词：
AP聚类算法
局部离群因子
异常值
电力计量数据
自动化监测
加入收藏

电力已成为现代社会运转不可或缺的重要能源。电力计量作为电力系统中的关键环节，其数据的准确性和可靠性直接关系到电力系统的稳定运行和经济效益。然而，在实际运行过程中，由于设备故障、人为操作失误或外部干扰等多种因素，电力计量数据往往会出现异常值，这些异常值不仅会影响电力系统的正常运行[1-2]，还可能给企业带来重大的经济损失。因此，开发一套电力计量数据异常值自动化监测系统显得尤为重要。

目前有很多国内外学者研究电力计量数据异常值自动化监测系统[3-6]，但是还是存在异常值检测准确率低、效率低等问题。

局部离群因子（local outlier factor,LOF）是一种基于密度的异常点检测方法，如果某个数据点的局部离群因子值较大，则意味着它与周围点的密度差异较大，因此更可能是异常点[7]。因此提出基于局部离群因子的电力计量数据异常值自动化监测系统，以提升电力计量数据的准确性、可靠性和效率。

1、电力计量数据异常值自动化监测系统

1.1 电力计量数据异常值自动化监测系统架构

设计电力计量数据异常值自动化监测系统技术架构，如图1所示。

图1 电力计量数据异常值自动化监测系统架构

1.2 AP聚类算法的局部离群因子监测模型构建

1.2.1 电力计量数据AP聚类处理

在电力计量数据中包括电压、电流、有功功率、谐波等计量数据，这些数据有助于评估电能的稳定性和质量，以及电力系统的运行效率。电力计量数据中的异常值通常指的是那些明显偏离正常范围的数值，它们可能是由于设备故障、人为错误、数据传输错误或系统异常等原因造成的[8-9]。这些异常值不仅会影响电力计量的准确性，还可能对电力系统的稳定运行造成潜在威胁。

在电力系统内，电力计量数据量较大，为更快捷和准确地实现电力计量数据异常值监测，引入AP聚类算法对离群因子监测模型进行改进处理。AP聚类算法是一种基于消息传递的聚类算法，该算法的主要原理是通过样本点之间的相似度来构建网络图，然后利用消息传递的方式在网络图上进行迭代更新，最终确定每个样本点的聚类归属[10]。先运用AP聚类算法对电力计量数据进行聚类处理，在电力计量数据类簇基础上运用离群因子监测算法获取电力计量数据类簇内电力计量数据异常值。AP聚类过程如下：

X={x1,x2，…，xn}表示电力计量数据的数据集，n为该数据集内电力计量数据个数，其中xi={xi1,xi2，…，xih}，h表示电力计量数据维度。令sij表示第xi和xj个电力计量数据的皮尔逊相似度，其表达式为

式中：P(i）表示电力计量数据聚类的初始偏向度；Γ（xi,xj）表示皮尔逊相似度。

依据式（1）结果，建立电力计量数据的相似度矩阵S={sij}。令W表示电力计量数据的吸引度矩阵，该矩阵内的元素wi,j表示电力计量数据xi对xj的吸引程度。令B表示归属度矩阵，其中元素bi,j表示电力计量数据xi归属于xj的合适程度。

依据式（2）、式（3）结果，确定电力计量数据的聚类中心。若电力计量数据xj作为xi的聚类中心，则数据点j在聚类空间内满足如下约束条件：

依据式（4）的聚类中心，对电力计量数据进行聚类处理，为保障聚类的误差最低，需要确保相关系数较高的电力计量数据归为一簇，此时类簇的簇心计算公式为

式中：v′ij表示电力计量数据类簇簇心；Fi表示第i个类簇内电力计量数据集合；vcj表示类簇内的第c个电力计量数据。

利用式（5）可得到电力计量数据的簇心集V={v′i1,v′i2，…，v′ij}，该簇心集即为电力计量数据的聚类结果，然后运用局部离群因子算法监测簇心集内的离群簇心，则该簇心内所有电力计量数据的值均为异常值。

1.2.2 局部离群因子监测模型构建

以上文得到的电力计量数据的簇心集V={v′i1,v′i2，…，v′ij}为基础，运用局部离群因子算法建立监测模型，通过该模型监测电力计量数据中的异常值，其详细实现过程如下：

令ζ、o均表示电力计量数据的簇心集V内的电力计量数据，该2个电力计量数据之间的欧式距离由d(ζ,o）表示。令k表示超参数，则电力计量数据ζ的第k距离可由[k·dist(ζ）]表示。设置[k·dist(ζ）]的约束条件如下：

(1）在电力计量数据的簇心集V内，至少存在k个数据对象o′满足d(ζ,o′）≤d(ζ,o）。

(2）在电力计量数据的簇心集V内，至少存在k-1个数据对象o′满足d(ζ,o′）<d(ζ,o）。

当[k·dist(ζ）]满足上述2个约束条件时，其表达式为

将式（6）结果内所有对象集合成为电力计量数据ζ的第k邻域距离，将其标记为Nk(ζ），表达式为

设置电力计量数据ζ和o的可达距离为rech·dist(ζ），其表示电力计量数据o的第k距离与电力计量数据ζ和o的欧式距离中的较大值，计算公式为

依据式（7）和式（8）的电力计量数据可达距离和第k邻域距离，可计算电力数据ζ的局部可达密度，其表达式为

式（9）结果可以描述电力数据ζ位置在附近集合内的稀疏程度，式（9）结果数值越大，表示电力数据ζ的局部可达密度就越大，反之则表示电力数据ζ的局部可达密度较为稀疏。依据式（9）数值，定义电力计量数据ζ的局部离群因子模型，表达式为

依据式（10）可知，LOFk(ζ）是描述电力计量数据ζ与邻域内其他电力计量数据的密度差异指标。当数值大于1时，表示电力计量数据ζ与周围其他电力计量数据的整体密度差异较大，此时可认为电力计量数据ζ为离群点，即ζ为电力计量数据的异常值。

2、实验结果与分析

以某市电力系统作为实验对象，该电力系统在日常运行中会产生海量的电力计量数据，如电流、电压、功率等，其中包含了较多的异常值，为更好地运用电力计量数据，需要对该电力系统内电力计量数据的异常值进行监测，为该电力系统运维提供数据支持。

以该电力系统内有功功率电力计量数据作为实验对象，运用本文系统对该有功功率电力计量数据进行异常值监测，其监测结果如图2所示。分析图2，可以清晰地看到本文系统不仅能够有效地对数据进行聚类处理，还能够准确地识别出异常数据，为电力系统安全运行提供了有力保障。

图2 电力计量数据异常值监测结果

使用本文系统对该电力计量数据中的异常值进行监测，监测结果如图3所示。由图3可以明显看到，在电力系统的运行过程中，本文系统发挥了出色的电力计量数据异常值监测功能。特别是在系统运行至大约30 min和40 min时，系统准确地捕捉到了电压计量数据的异常值。这不仅证明了本文系统对电力计量数据异常值的高度敏感性，也展现了其在实时监测中的精确性和可靠性。

图3 电压计量数据异常值监测结果

验证本文系统对电力计量数据的聚类能力，以聚类电力计量数据的疏密度作为衡量指标，以该电力系统电流计量数据作为实验对象，测试结果如图4所示。由图4可知，相同类别内的电力计量数据，紧密地聚集在一起，这种高效的聚类效果有助于更精确地分析电力数据，为电力系统的优化和管理提供了有力的支持。

图4 电流计量数据聚类疏密度测试结果

3、结语

在电力计量数据的处理过程中，异常值的识别与监测至关重要，它不仅关系到电力系统的稳定运行，更是确保电能计量准确性和公平性的关键所在。基于局部离群因子的自动化监测系统，以其高效、精准的特性，为电力计量数据的异常值检测提供了新的解决方案。通过该系统的应用，能够实现对海量电力计量数据的实时、自动化监测，及时发现并处理异常值，从而提高电力计量的准确性和可靠性。同时，该系统的局部离群因子算法能够充分考虑到数据的局部特性，避免了全局离群因子算法可能导致的误判，提高了异常值检测的准确率。随着技术的不断进步和电力系统的不断发展，期待基于局部离群因子的电力计量数据异常值自动化监测系统能够进一步优化和完善，为电力系统的稳定运行和电能计量的准确性提供更有力的支持。同时，也期待更多的研究和创新能够应用于这一领域，共同推动电力行业的持续发展。

参考文献:

[1]樊芮,陈湘媛,王冠男,等.不平衡数据集异常检测和分类算法[J].电力系统及其自动化学报,2023,35(9):112-119.

[2]傅世元,高欣,张浩,等.基于元学习动态选择集成的电力调度数据异常检测方法[J].电网技术,2022,46(8):3248-3261.

[3]林昱奂,胡嘉铭,戴伟力,等.基于改进K-均值联合SVDD的电力数据异常检测方法[J].电力电容器与无功补偿,2023,44(5):99-107.

[4]孙滢涛,张锋明,陈水标,等.基于多域特征提取的电力数据异常检测方法[J].电力系统及其自动化学报,2022,34(6):105-113.

[5]张忠平,李森,刘伟雄,等.基于快速密度峰值聚类离群因子的离群点检测算法[J].通信学报,2022,43(10):186-195.

[6]潘骏,夏祥武,李梁,等.基于关联潮流感知与高斯混合模型的异常用电检测[J].电力建设,2023,44(11):138-148.

[7]杨晶晶,阮国恒,杨玲,等.基于电力大数据的分布式电网异常负荷动态检测方法[J].电网与清洁能源,2023,39(3):17-22+32.

[8]刘明群,何鑫,覃日升,等.基于改进K-means聚类k值选择算法的配网电压数据异常检测[J].电力科学与技术学报,2022,37(6):91-99.

[9]陈宇轩,张耀,徐杨,等.基于Boosting集成框架的新能源发电功率异常值检测方法[J].电网技术,2023,47(8):3261-3268.

[10]德华,刘翠玲,赵林燕,等.基于多域特征分析与选择的电力数据识别方法[J].水电能源科学,2023,41(9):211-215.

文章来源:李宗朋,苏良立,赖鸿波,等.基于局部离群因子的电力计量数据异常值自动化监测系统[J].自动化与仪表,2024,39(11):137-140.